本文提出了一种新的自适应增强方法，通过设计基于节点中心性和节点属性的增强策略来保留图的内在结构和属性信息，并验证此方法在节点分类任务中优于现有方法和监督学习模型。

Oct, 2020

本文针对图数据的复杂性和非欧几里德结构，提出了一种基于拓扑正则化的图节点特征增强方法，其中将拓扑结构信息引入端到端模型，并在此基础上运用了对随机游走的无监督表示学习方法获得节点拓扑嵌入，同时使用图神经网络进行传输，有效地提高了性能表现。

Apr, 2021

图社群在图增强中的关键性优势以及基于图谱变化最大化的社群不变图对拓扑和特征增强的统一约束，提高模型的鲁棒性。

May, 2024

使用图神经网络（GNNs）学习连贯且有区分力的节点表示以进行聚类在深层图聚类中已经显示出了良好的结果。然而，现有方法忽视了表示学习与结构增强之间的相互关系。该研究表明，增强嵌入和结构的协同作用对于释放 GNNs 在深层图聚类中的潜力变得必要。可靠的结构促进获取更连贯的节点表示，而高质量的节点表示可以指导结构的增强，从而提高结构的可靠性。此外，现有基于 GNNs 的模型的泛化能力相对较差。尽管它们在具有高同质性的图上表现良好，但在具有低同质性的图上表现较差。为此，我们提出了一个名为 Synergistic Deep Graph Clustering Network（SynC）的图聚类框架。在我们的方法中，我们设计了一个名为 Transform Input Graph Auto-Encoder（TIGAE）的模型来获取高质量的嵌入，并用于引导结构增强。然后，在增强的图上重新捕捉邻域表示以获得适合聚类的嵌入，并进行自监督聚类。值得注意的是，表示学习和结构增强共享权重，从而大大减少了模型参数的数量。此外，我们引入了一种结构微调策略以提高模型的泛化能力。对基准数据集进行的大量实验证明了我们方法的优越性和有效性。代码已在 GitHub 和 Code Ocean 上发布。

Jun, 2024

提出了一种名为注意力驱动图聚类网络（AGCN）的深度聚类方法，它利用异质性智能融合模块动态融合节点属性特征和拓扑图特征，并开发了一个分别针对不同层嵌入的多尺度特征进行自适应聚合的规模智能融合模块，通过联合学习特征和聚类分配，可以更加灵活有效地执行聚类任务。实验结果表明，该方法性能优于现有的深度聚类方法。

Aug, 2021

TADA 是一种前置数据增强框架，用于高度图中的图神经网络，通过结构嵌入和拓扑属性感知图稀疏化的方式，提高了主流 GNN 模型在节点分类任务上的预测性能。

Jun, 2024

本文介绍了一个名为 GAug 的图数据增强框架，并讨论了在图形神经网络 (GNN) 上进行数据增强的实际动机、考虑因素和策略，重点介绍了如何通过神经边缘预测器有效地提高节点分类性能。实验结果表明，通过 GAug 的数据增强可以提高 GNN 的性能，适用于多种基准数据集和架构。

Jun, 2020

通过学习能力强的数据增强方法进行对比图节点聚类是非监督图学习领域的热点研究，现有方法虽然已取得良好的聚类性能，但容易出现语义漂移问题，为此我们提出了一种可靠数据增强的 CONVERT 对比图聚类网络，通过可逆干扰恢复网络提取可靠的语义信息并使用新颖的语义损失约束网络，同时设计了标签匹配机制进行模型指导，实验证明了该方法的有效性。

Aug, 2023

本研究对四种图神经网络架构及五种节点人工特征进行分析，应用于分类任务，并比较它们在不同隐藏层维度下的性能。结果表明，高计算能力的 GNN 架构与信息丰富的人工特征对于性能表现起到平衡重要作用。

Jan, 2024

提出了一种名为 GraphAug 的原则性框架，该框架引入了一个强大的数据增强器，生成去噪的自监督信号，增强推荐系统的性能。该框架通过自适应地调整对比视图生成，自动地提炼信息丰富的自监督信息。通过对真实数据集的严格实验评估，得出 GraphAug 模型相对于现有基线方法的卓越性能。

Mar, 2024